本文共 6454 字,大约阅读时间需要 21 分钟。
在进行利用朴素贝叶斯模型进行文本分类之前,先介绍一下朴素贝叶斯原理!
需要搞清楚的概念:
1.贝叶斯模型是指模型参数的推断用的是贝叶斯估计方法,也就是需要指定先验分布,再求取后验分布。
2.贝叶斯分类是一类算法的总称,这类算法均以贝叶斯定理为基础,故统称贝叶斯分类。 我们称之为“朴素”,是因为整个形式化过程只做原始、简单的假设。条件贝叶斯公式:p(Ci | x,y)=p(x,y | Ci) * p(Ci) / p(x,y)
使用这些定义,可以定义贝叶斯分类准则为:
如果P(c1|x, y) > P(c2|x, y),那么属于类别c1。 如果P(c1|x, y) < P(c2|x, y),那么属于类别c2。 这些符号所代表的具体意义是: 给定某个由x、y表示的数据点,那么该数据点来自类别c1的概率是多少?数据点来自类别c2的概 率又是多少?程序中在模型训练的时候,只需要先在训练样本中计算好先验概率 p(Ci) 和 条件概率 p(x,y | Ci) 即可,因为p(x,y)不随Ci变化,不影响p(Ci | x,y)的最好大小。
注:条件贝叶斯是保证条件之间独立的(文档分类中是假设一个词汇出现与其他词汇是否出现无关,然而同一主题的词汇一起出现的概率很高,存在关联),所以这个假设过于简单;尽管如此,然而事实表明,朴素贝叶斯的效果还很好。
可以将贝叶斯公式换成这样:
其中P(A|B)是在B发生的情况下A发生的可能性。 在贝叶斯法则中,每个名词都有约定俗成的名称: P(A)是A的先验概率或边缘概率。之所以称为"先验"是因为它不考虑任何B方面的因素。 P(A|B)是已知B发生后A的条件概率,也由于得自B的取值而被称作A的后验概率。 P(B|A)是已知A发生后B的条件概率,也由于得自A的取值而被称作B的后验概率。 P(B)是B的先验概率或边缘概率,也作标准化常量(normalized constant)。优点:在数据较少的情况下仍然有效,可以处理多类别问题。
缺点:对于输入数据的准备方式较为敏感。1 加载数据集,分两类。
# 该函数返回的第一个变量是进行词条切分后的文档集合# 函数返回的第二个变量是一个类别标签的集合import numpy as npdef loadDataSet(): postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'], ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'], ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'], ['stop', 'posting', 'stupid', 'worthless', 'garbage'], ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'], ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']] classVec = [0,1,0,1,0,1] #1 is abusive, 0 not return postingList, classVec
2 创建词汇表
# 集合结构内元素的唯一性,创建一个包含所有词汇的词表。def createVocabList(dataSet): vocabSet = set([]) # 建立一个空列表 for document in dataSet: vocabSet = vocabSet | set(document) # 合并两个集合 return list(vocabSet)
3 创建一个和词汇表等长的向量
def setOfWords2Vec(vocabList, inputSet): returnVec = [0]*len(vocabList) for word in inputSet: if word in vocabList: returnVec[vocabList.index(word)] = 1 else: print("the word: %s is not in my Vocabulary!" % word) return returnVec
我们对查定义的函数进行打印:
# 打印数据集>>> listOPosts, listClasses = loadDataSet()>>> print(listOPosts)>>> print(listClasses)[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'], ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'], ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'], ['stop', 'posting', 'stupid', 'worthless', 'garbage'], ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'], ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']][0, 1, 0, 1, 0, 1]# 打印词汇表>>> myVocabList = createVocabList(listOPosts)>>> print(len(myVocabList))>>> print(myVocabList)32['food', 'not', 'please', 'garbage', 'my', 'take', 'stop', 'buying', 'mr', 'park', 'cute', 'love', 'licks', 'dog', 'is', 'has', 'posting', 'ate', 'him', 'stupid', 'I', 'help', 'dalmation', 'flea', 'steak', 'problems', 'so', 'worthless', 'to', 'quit', 'maybe', 'how']# 生成词向量>>> print(len(setOfWords2Vec(myVocabList, listOPosts[0])))>>> print(setOfWords2Vec(myVocabList, listOPosts[0]))32[0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 1, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0]
4 训练模型:在训练样本中计算先验概率 p(Ci) 和 条件概率 p(x,y | Ci),本实例有0和1两个类别,所以返回p(x,y | 0),p(x,y | 1)和p(Ci)。
此处有两个改进的地方:
(1)若有的类别没有出现,其概率就是0,会十分影响分类器的性能。所以采取各类别默认1次累加,总类别(两类)次数2,这样不影响相对大小。 (2)若很小是数字相乘,则结果会更小,再四舍五入存在误差,而且会造成下溢出。采取取log,乘法变为加法,并且相对大小趋势不变。# 进行训练, 这里就是计算: 条件概率 和 先验概率def trainNB0(trainMatrix, trainCategory): numTrainDocs = len(trainMatrix) # 计算总的样本数量 # 计算样本向量化后的长度, 这里等于词典长度。 numWords = len(trainMatrix[0]) # 计算先验概率 pAbusive = sum(trainCategory) / float(numTrainDocs) # 进行初始化, 用于向量化后的样本 累加, 为什么初始化1不是全0, 防止概率值为0. p0Num = np.ones(numWords) p1Num = np.ones(numWords) #change to ones() # 初始化求条件概率的分母为2, 防止出现0,无法计算的情况。 p0Denom = 2.0 p1Denom = 2.0 #change to 2.0 # 遍历所有向量化后的样本, 并且每个向量化后的长度相等, 等于词典长度。 for i in range(numTrainDocs): # 统计标签为1的样本: 向量化后的样本的累加, 样本中1总数的求和, 最后相除取log就是条件概率。 if trainCategory[i] == 1: p1Num += trainMatrix[i] p1Denom += sum(trainMatrix[i]) # 统计标签为0的样本: 向量化后的样本累加, 样本中1总数的求和, 最后相除取log就是条件概率。 else: p0Num += trainMatrix[i] p0Denom += sum(trainMatrix[i]) # 求条件概率。 p1Vect = np.log(p1Num / p1Denom) # 改为 log() 防止出现0 p0Vect = np.log(p0Num / p0Denom) # 返回条件概率 和 先验概率 return p0Vect, p1Vect, pAbusive
5 分类
# 通过条件概率 和 先验概率 对新的样本进行向量化后分类。哪个类别的概率大,则属于哪个类别def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1): # 向量化后的样本 分别 与 各类别的条件概率相乘 加上先验概率取log,之后进行大小比较, 输出类别。 p1 = sum(vec2Classify * p1Vec) + np.log(pClass1) #element-wise mult p0 = sum(vec2Classify * p0Vec) + np.log(1.0 - pClass1) if p1 > p0: return 1 else: return 0
6 测试程序
加载数据集+提炼词表;
训练模型:根据六条训练集计算先验概率和条件概率;
测试模型:对训练两条测试文本进行分类。
def testingNB(): # 生成训练样本 和 标签 listOPosts, listClasses = loadDataSet() # 创建词典 myVocabList = createVocabList(listOPosts) # 用于保存样本转向量之后的 trainMat=[] # 遍历每一个样本, 转向量后, 保存到列表中。 for postinDoc in listOPosts: trainMat.append(setOfWords2Vec(myVocabList, postinDoc)) # 计算 条件概率 和 先验概率 p0V, p1V, pAb = trainNB0(np.array(trainMat), np.array(listClasses)) # 给定测试样本 进行测试 testEntry = ['love', 'my', 'dalmation'] thisDoc = np.array(setOfWords2Vec(myVocabList, testEntry)) print(testEntry,'classified as: ', classifyNB(thisDoc, p0V, p1V, pAb)) testEntry = ['stupid', 'garbage'] thisDoc = np.array(setOfWords2Vec(myVocabList, testEntry)) print(testEntry,'classified as: ', classifyNB(thisDoc, p0V, p1V, pAb))
测试一下结果如何:
>>> testingNB()['love', 'my', 'dalmation'] classified as: 0['stupid', 'garbage'] classified as: 1
我们将每个词的出现与否作为一个特征,这可以被描述为词集模型(set-of-words model)。如果一个词在文档中出现不止一次,这可能意味着包含该词是否出现在文档中所不能表 达的某种信息,这种方法被称为词袋模型(bag-of-words model)。在词袋中,每个单词可以出现多次,而在词集中,每个词只能出现一次。为适应词袋模型,需要对函数setOfWords2Vec() 稍加修改,修改后的函数称为bagOfWords2Vec()。
# 通过所有样本, 创建词典列表; 用于后面的词转向量。 def bagOfWords2VecMN(vocabList, inputSet): returnVec = [0]*len(vocabList) for word in inputSet: if word in vocabList: returnVec[vocabList.index(word)] += 1 return returnVec
朴素贝叶斯分类器通常有两种实现方式:
一种基于贝努利模型实现;
一种基于多项式模型实现。 这里采用前一种 实现方式。该实现方式中并不考虑词在文档中出现的次数,只考虑出不出现。上面我处理的样本的属性值都是分类型的,然而数值型的朴素贝叶斯能处理吗?
1 朴素贝叶斯处理数值型数据的方法: (1) 区间离散化,设阈值,分段。 (2) 高斯化:求出概率密度函数,假设变量服从正态分布,根据已有变量统计均值和方差, 得出概率密度函数,这样就解决了计算连续值作为分类的条件概率值。2 除0问题:Laplace校准所有计算均加一,总类别数目加n;
3 下溢出:很小的值相乘,四舍五入误差采用log 乘法变相加;
4 移除停用词:也可以提高文本分类的性能
参考:
1、机器学习实战 2、朴素贝叶斯 3、转载地址:http://epwpi.baihongyu.com/